시험 구조와 데이터 제품 지도

Google Cloud Professional Machine Learning Engineer는 알고리즘을 묻는 시험이 아닙니다. 「이 요구사항이면 어느 제품을 어느 순서로 쓰는가」를 묻습니다. 그래서 첫 노트는 개념보다 지도를 먼저 그립니다. 제품 이름과 그 제품이 앉는 자리를 모르면, 문항의 보기 네 개가 전부 그럴듯해 보입니다.

무엇을 몇 문항으로 묻는가

50~60문항을 2시간에 풉니다. 단일 선택 객관식이 대부분이고 「둘을 고르시오」 같은 복수 선택이 섞입니다. 시행처는 점수를 숫자로 주지 않고 합격·불합격만 통보하며, 커트라인도 공개하지 않습니다. 그러니 「몇 점을 목표로」가 아니라 어느 섹션도 비워 두지 않는 것이 전략이 됩니다.

공식 시험 가이드는 범위를 여섯 섹션으로 나누고 비중을 이렇게 적어 두었습니다.

셋째·넷째 섹션을 합치면 41%로 시험의 5분의 2입니다. 「학습을 어떻게 키우고 어떻게 서빙하는가」가 이 시험의 중심이라는 뜻이고, 로우코드(13%)는 오히려 가장 가벼운 자리입니다. 로우코드부터 배우기 시작하는 것은 쉬워서지 중요해서가 아닙니다.

이름이 바뀐 자리를 먼저 맞춰 둔다

2026-06-01자 개정판부터 가이드의 제품명이 Vertex AI 계열에서 Gemini Enterprise Agent Platform 계열로 바뀌었습니다. 하는 일은 같은데 부르는 이름이 달라진 것이라, 예전 교재나 학습 경로로 공부하면 화면에서 그 메뉴를 못 찾습니다. 시험 문항은 새 이름을 씁니다.

바뀌지 않은 이름도 있습니다. BigQuery·BigQuery ML·Model Garden·Document AI·Dataflow는 그대로입니다. 이 시험을 준비하며 만나는 자료가 두 이름을 섞어 쓰고 있으면, 접두어만 갈아 끼우고 내용은 그대로 믿으면 됩니다.

데이터가 앉는 자리 — BigQuery

BigQuery는 서버를 띄우지 않고 SQL로 조회하는 데이터 웨어하우스입니다. 열 단위(컬럼 지향)로 저장하고 쿼리마다 필요한 만큼 계산 자원을 붙였다 떼므로, 수백 GB짜리 테이블을 집계하는 데도 클러스터를 미리 만들 필요가 없습니다.

ML 관점에서 BigQuery가 하는 일은 셋입니다.

1. 학습 데이터의 원본 창고. 관리형 데이터셋도 커스텀 학습도 BigQuery 테이블을 그대로 입력으로 받습니다.
2. 전처리 엔진. 조인·집계·결측 처리·윈도 함수까지 SQL로 끝나면 Dataflow나 Spark를 띄울 이유가 없습니다.
3. 모델을 학습하는 자리. 이것이 BigQuery ML입니다.

큰 정형 데이터를 다루는 시나리오에서 「데이터를 어디로 옮길까」가 아니라 「옮기지 않고 될까」를 먼저 묻는 것이 이 시험의 사고방식입니다. 데이터가 이미 BigQuery에 있는데 Cloud Storage로 내보내 pandas로 읽는 보기는 대개 오답입니다.

BigQuery ML의 자리

BigQuery ML(BQML)은 SQL 문 하나로 모델을 만들고 예측까지 하는 기능입니다. 데이터를 옮기지 않고 창고 안에서 학습하므로, 정형 데이터에 표준적인 모델을 붙일 때 가장 빠른 길입니다.

CREATE OR REPLACE MODEL `shop.churn_model`
OPTIONS(model_type = 'LOGISTIC_REG', input_label_cols = ['churned']) AS
SELECT tenure_months, monthly_fee, support_tickets, churned
FROM `shop.customers`
WHERE split_tag = 'TRAIN';

이 한 문장이 곧 「로우코드」의 뜻입니다. 파이썬도, 컨테이너도, 학습 클러스터도 없습니다. 대신 못 하는 것이 분명합니다 — 커스텀 신경망 구조를 직접 짜거나 이미지·음성 원본을 다루는 일은 BQML의 자리가 아닙니다. 그 선을 03편에서 자세히 봅니다.

피처를 다시 쓰는 자리 — Feature Store

Feature Store는 모델이 쓰는 입력값(피처)을 한 번 만들어 여러 모델과 여러 팀이 다시 쓰게 하는 저장소입니다. 같은 「최근 30일 구매 횟수」를 팀마다 각자 SQL로 계산하면 정의가 조금씩 어긋나고, 그 어긋남이 그대로 성능 차이가 됩니다.

Feature Store가 시험에서 잡는 개념이 둘입니다.

• 온라인 서빙과 오프라인 저장. 학습할 때는 과거 전체를 한꺼번에 읽고(오프라인), 추론할 때는 특정 사용자 한 명의 최신 값을 밀리초 단위로 읽습니다(온라인). 같은 피처를 두 방식으로 내주는 것이 이 제품의 존재 이유입니다.
• 시점 정합 조회(point-in-time lookup). 2월 1일에 일어난 일을 예측하는 학습 행에는 2월 1일 시점의 피처 값이 붙어야 합니다. 지금 값을 붙이면 미래를 미리 본 것이 되어 학습 성능만 좋고 실제로는 무너집니다. 이 사고를 데이터 누수(data leakage)라고 부릅니다.

관리형 데이터셋(managed dataset)은 자리가 다릅니다. 이쪽은 학습에 쓸 데이터 묶음을 플랫폼에 등록해 두는 것으로, 학습·검증·테스트 분할을 관리해 주고 어느 모델이 어느 데이터로 학습됐는지 계보를 남깁니다. Feature Store는 값의 정의를 공유하는 곳, 관리형 데이터셋은 한 번의 학습에 쓸 묶음을 고정하는 곳입니다.

코드를 여는 자리 — Workbench와 Colab Enterprise

프로토타입을 만드는 노트북 환경이 둘입니다.

둘 다 IAM으로 접근을 나누고 VPC 안에 둘 수 있어, 「데이터가 프로젝트 밖으로 나가면 안 된다」는 조건이 붙어도 노트북을 쓸 수 있습니다. 개인 노트북에 데이터를 내려받는 보기가 오답이 되는 것도 같은 이유입니다.

시험 전체를 한 문장으로 줄이면 이렇습니다 — 데이터는 BigQuery에 있고, 피처는 Feature Store가 나눠 쓰고, 사람은 노트북에서 만지고, 학습·서빙·감시는 Agent Platform이 맡습니다. 다음 노트에서 그 학습·서빙 쪽 제품을 마저 그립니다.

연습 문제

1. 공식 시험 가이드가 가장 큰 비중을 둔 섹션은?
   ① Architecting low-code AI solutions
   ② Scaling prototypes into ML models
   ③ Monitoring AI solutions
   ④ Automating and orchestrating ML pipelines

   ②. 21%로 가장 큽니다. ①과 ③이 13%로 가장 작고, ④는 18%입니다.
2. 개정된 가이드에서 예전 「Vertex AI Prediction」에 해당하는 이름은?
   ① Agent Platform Inference
   ② Model Garden
   ③ BigQuery ML
   ④ Agent Platform Pipelines

   ①. 추론 엔드포인트를 맡는 제품이 Agent Platform Inference로 불립니다. ②는 모델을 고르는 카탈로그, ④는 파이프라인 오케스트레이션입니다.
3. 3TB짜리 주문 테이블이 이미 BigQuery에 있습니다. 조인과 집계로 피처를 만들려 합니다. 가장 먼저 검토할 방법은?
   ① Cloud Storage로 내보내 pandas로 읽는다
   ② BigQuery에서 SQL로 처리한다
   ③ Dataproc 클러스터를 띄워 Spark로 읽는다
   ④ 노트북 인스턴스의 디스크를 3TB로 키운다

   ②. 데이터가 이미 있는 자리에서 SQL로 끝나면 옮기는 비용이 0입니다. ①과 ④는 한 대 메모리·디스크로 감당할 규모가 아니고, ③은 SQL로 안 되는 처리가 있을 때 다음 순서로 검토합니다.
4. 시점 정합 조회가 없으면 생기는 문제는?
   ① 온라인 서빙 지연이 늘어난다
   ② 학습 행에 미래 시점의 피처 값이 섞여 데이터 누수가 생긴다
   ③ 피처 정의가 팀마다 달라진다
   ④ 모델 버전 계보가 끊어진다

   ②. 예측 시점 이후에 만들어진 값이 입력으로 들어가면 학습 성능만 부풀고 실제 운영에서 무너집니다.
5. CREATE OR REPLACE MODEL shop.churn_model OPTIONS(model_type = 'LOGISTIC_REG', input_label_cols = ['churned']) AS SELECT ... 가 만드는 것은?
   ① BigQuery 뷰
   ② BigQuery ML 로지스틱 회귀 모델
   ③ AutoML 정형 데이터 모델
   ④ Feature Store 피처 그룹

   ②. CREATE MODEL과 model_type은 BigQuery ML의 구문이고 LOGISTIC_REG는 이진 분류에 쓰는 로지스틱 회귀입니다.
6. Feature Store와 관리형 데이터셋의 차이로 옳은 것은?
   ① 둘 다 학습·검증·테스트 분할을 관리한다
   ② Feature Store는 값의 정의를 여러 모델이 나눠 쓰게 하고, 관리형 데이터셋은 한 번의 학습에 쓸 묶음을 고정한다
   ③ Feature Store는 이미지 전용이고 관리형 데이터셋은 정형 전용이다
   ④ 관리형 데이터셋만 온라인 서빙을 제공한다

   ②. 온라인 서빙은 Feature Store 쪽 기능이고, 분할 관리와 계보는 관리형 데이터셋 쪽입니다.
7. 관리자가 정해 둔 런타임 템플릿으로 사양이 붙고, 분석가들이 빠르게 열어 공유하며 돌리기에 맞는 노트북 환경은?
   ① Agent Platform Workbench
   ② Colab Enterprise
   ③ Dataproc Serverless
   ④ Cloud Shell

   ②. 머신 타입과 GPU를 건마다 직접 지정해야 하는 오래 도는 학습은 ① 쪽입니다.
8. 50~60문항을 2시간에 푸는 이 시험에서 점수 통보 방식으로 옳은 것은?
   ① 섹션별 백분율 점수를 준다
   ② 총점과 커트라인을 함께 준다
   ③ 합격·불합격만 통보하고 커트라인은 공개하지 않는다
   ④ 불합격일 때만 점수를 준다

   ③. 그래서 약한 섹션을 점수로 확인할 방법이 없고, 여섯 섹션을 고르게 덮는 준비가 필요합니다.